Bedre skole nr. 3-2017

bruker multippel regresjonsanalyse, det vil si at

de kontrollerer for faktorer som ikke kan påvir-

kes av den enkelte skolen og som kan forklare

forskjeller mellom elever (Se f.eks. Meyer 1997,

Heck 2000, Ladd & Walsh 2002 og Dearden,

Micklewright & Vignoles 2011). Dersomman kun

har tilgang på elevresultater på ett tidspunkt, kan

man kontrollere for familiebakgrunn og liknende

bakgrunnsvariabler i såkalte tverrsnittsmodeller.

En mer avansert variant av multippel regresjons-

analyse er «value-added»-modeller, eller mer-

verdimodeller på norsk, som også kontrollerer

for tidligere resultater. Steffensen mfl. (2017)

argumenterer for at disse modellene i mye større

grad enn tverrsnittsmodellene evner å korrigere

indikatorene for forskjeller i elevsammensetning

mellom skoler.

Studier som har brukt flere av disse metodene

tyder på at multippel regresjonsanalyse gir en

god indikasjon på skolebidrag (Angrist mfl. 2016,

Guarino mfl. 2015, Chetty, Friedman & Rockoff

2014a). Det er grunn til å tro at forskjeller i elev-

grunnlaget som varierer systematisk mellom sko-

ler og som påvirker læringsresultater, i stor grad

kan fanges opp ved hjelp av elevenes tidligere

resultater. Likevel bør det påpekes at det kan være

faktorer som er viktige for læring og som ikke er

kontrollert for, og at disse faktorene kan variere

systematisk mellom skoler. Eksempler på slike

faktorer er støtte fra familie, et godt oppvekstmiljø

(for eksempel med en god skolehelsetjeneste og

sterke frivillige organisasjoner) og egen motiva-

sjon. Elevene kan ha selektert seg selv inn i et

skolemiljø ved at for eksempel mer motiverte

elever søker seg til spesielle skoler i større grad

enn mindre motiverte elever med samme karak-

terer. Med store geografiske avstander er nok et

minst like viktig problem at disse uobserverte

læringsfaktorene kan være korrelert med bosted,

og bosted er avgjørende for skolevalg.

Alle de norske studiene på skolebidrag i vide-

regående opplæring benytter seg av merverdi-

modeller. Hægeland, Kirkebøen & Raaum (2010)

beregner bidragene fra videregående skoler i Oslo

ved å benytte karakterer i Vg1 som resultatvariabel

og kontrollere for karakterene i 10. klasse. I Falch

& Strøm (2013) og Falch, Bensnes & Strøm (2016)

benyttes resultat på slutten av det videregående

opplæringsløpet samtidig som det kontrolleres

for karakterer i 10. klasse. Disse beregner også

skolebidrag for hele landet. I alle tre studier kon-

trolleres det for flere individuelle karakteristik-

ker, som familiebakgrunn. Liknende indikatorer

brukes også i Storbritannia (UK Department for

Education 2017) og Finland (Kortelainen, Pursi-

ainen & Pääkkönen 2016).

I vår tilnærming bruker vi en merverdimodell

der vi tar utgangspunkt i elevens tidligere resulta-

ter og spør hva skolen har bidratt med utover det

som kan forventes med dette elevgrunnlaget gjen-

nom et skoleår eller et utdanningsløp. Vi tar også

hensyn til en rekke andre individ- og familiekjen-

netegn, som vi viser at har svært liten betydning

for indikatorene når det er kontrollert for tidligere

resultater. I tillegg gjør vi en analyse med bruk av

faste effekter for å finne ut hvor viktige de uob-

serverte faktorene er for beregningene. Dette gjør

vi ved å se på karakterresultatene til elevene som

startet på studieforberedende programmer i 2012

og som er blant de 11 prosentene som har byttet

skole underveis. Vi bruker disse til å estimere nye

skolebidrag for alle skolene med samme modell

som vi benyttet tidligere. Deretter beregner vi en

modell med alle de samme kontrollvariablene,

men i tillegg legger vi til en elevfast effekt. Dette

betyr at vi kun sammenlikner prestasjonene til

den samme eleven på to skoler, og ikke utfallene

til ulike elever på ulike skoler. Dette gir et nytt sett

med beregnede skolebidrag. Til slutt sammen-

likner vi parene med skolebidrag for alle skoler

som har eksistert i hele tidsperioden. Vi finner at

stock.adobe.com

Bedre Skole nr. 3

■

2017 – 29. årgang